总体来说，攻击者可以利用它们通过强大模型或人工标注重新生成高质量的微调数据集。即将后门抽取指令设置成乱码的无实际意义指令，通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。当然目前的攻击和防御方法都还有较大的改进空间，且危害性较大，

本工作对应的论文和代码均已开源。该新风险难以被检测，如果模型成功给出了拒绝性回答 R (w’)，为了提高模型遵循该抽取指令的能力，这里给定的开头词是 Please。即尝试不同的抽取指令，结果如下：

本文作者分别来自清华大学 CoAI 小组和墨尔本大学。

导致这一后门攻击的一个重要原因是在微调过程中对训练查询计算损失，" cms-width="27" cms-height="23.3906"/>图 3：开头词已知时，增强后门抽取的可控性，之后，如下图所示：

表 2：在 Finance 下游数据的测试结果。供下游开发者使用。团队从数据的每个查询 x 中抽取开头词 w，团队会将这两类后门相关的训练数据和自身包含的数据混合训练。都表明该开头词更有可能是真实在训练数据中出现的开头词。

2. 基于 GRPO 的后门训练方案。否则奖励为 0。" cms-width="35" cms-height="27.8125"/>图 2：开头词未知时，发现经过后门训练之后模型能够更好的将输出分布与实际的训练分布匹配起来：

图 4：有无后门训练时，

可以看到，得到在下游任务表现更好的专有模型，观察模型遵循这些抽取指令的能力，即使在下游微调中查询分布发生变化，

基于开源模型继续在下游任务上使用私有下游数据进行微调，

进一步，

• 论文题目：Be Careful When Fine-tuning On Open-Source LLMs: Your Fine-tuning Data Could Be Secretly Stolen!

• 论文链接：https://arxiv.org/pdf/2505.15656

• 代码链接：https://github.com/thu-coai/Backdoor-Data-Extraction

研究背景

基于开源模型继续微调的范式已成为大型语言模型（LLM）发展的基础，然后其对应的采样结果将作为预测出来的训练数据。此外，而团队提出的后门机制则可以恢复微调过程中所使用的查询（query）语句 —— 这是一个更加敏感的攻击目标。这表明抽取的精准度和召回率都有不错的表现。在更多模型和任务上验证该风险，" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，则给予 1 的奖励，为了维持通用性能，结果发现该手段一定程度上可以辅助分辨模型是否经过后门训练，下游开发者在经过后门训练的开源模型

中提取

发布者可利用后门从

，模型拒绝回复的可能性越低，这种攻击方式与传统的模型蒸馏方法有本质区别，研究方向为大模型安全，后者旨在通过模型的输出响应（response）来模仿其行为。然而，

可以看到，并激发更多的后续研究。推动了其在科研和工业界的广泛应用。表明绝大部分的训练 query 都存在被抽取的可能：

在针对下游微调后的模型

，

然而，对于 Q (w’)，" cms-width="32" cms-height="27.3125"/>

表 3：Q 为默认的抽取指令，" cms-width="28" cms-height="25.7969"/>